CN110362751B - 业务推荐方法、装置、计算机设备和存储介质 - Google Patents
业务推荐方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN110362751B CN110362751B CN201910661428.3A CN201910661428A CN110362751B CN 110362751 B CN110362751 B CN 110362751B CN 201910661428 A CN201910661428 A CN 201910661428A CN 110362751 B CN110362751 B CN 110362751B
- Authority
- CN
- China
- Prior art keywords
- user
- service
- information
- category
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000013145 classification model Methods 0.000 claims description 61
- 230000006399 behavior Effects 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 15
- 230000003542 behavioural effect Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 239000010752 BS 2869 Class D Substances 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000001747 pupil Anatomy 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- Databases & Information Systems (AREA)
- Finance (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本申请涉及一种业务推荐方法、装置、计算机设备和计算机存储介质。其中,业务推荐方法,获取目标业务的业务用户的用户基本信息,获取业务用户在目标业务中的用户目标信息,根据用户基本信息,获取业务用户在参考业务中的用户参考信息。结合用户目标信息及用户参考信息,对业务用户进行用户分类,得到用户分类结果,如此,可在对业务用户进行用户分类时,考虑到目标业务与参考业务在用户信息上的粘连性,使得针对业务用户的分类结果更为准确。从而,根据用户分类结果,向业务用户推荐目标业务的业务内容,可以提高目标业务的业务内容推荐的准确性。
Description
技术领域
本申请涉及计算机信息处理技术领域,特别是涉及一种业务推荐方法、装置、计算机设备和存储介质。
背景技术
随着信息技术的飞速发展,信息处理技术的应用已经深入到生活的方方面面。比如,推荐系统,它是一种关联用户和信息的工具,它以用户交互数据为基础,能在纷繁的信息中帮助用户筛选他们感兴趣的信息,为用户提供个性化的业务内容推荐服务。具体如,商品推荐、新闻资讯推荐、文章推荐、漫画推荐等等。
传统的业务推荐方法,一般从参照业务出发,按照参照业务中用户的支付能力,为目标业务推荐目标用户。然而,用户在参照业务中的支付能力,并不能完全反映该用户在目标业务中的支付能力。因此,传统的业务推荐方法,存在准确性较低的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种提高业务推荐准确性的业务推荐方法、装置、计算机设备和存储介质。
一种业务推荐方法,所述方法包括:
获取目标业务的业务用户的用户基本信息;
获取所述业务用户在所述目标业务中的用户目标信息;
根据所述用户基本信息,获取所述业务用户在参考业务中的用户参考信息;
结合所述用户目标信息及所述用户参考信息,对所述业务用户进行用户分类,得到用户分类结果;
根据所述用户分类结果,向所述业务用户推荐所述目标业务的业务内容。
在其中一个实施例中,所述获取所述业务用户在所述目标业务中的用户目标信息,包括:获取所述业务用户在所述目标业务中的第一画像特征、行为特征以及第一付费特征;
所述根据所述用户基本信息,获取所述业务用户在参考业务中的用户参考信息,包括:根据所述用户基本信息,获取所述业务用户在参考业务中的第二画像特征以及第二付费特征。
在其中一个实施例中,所述用户基本信息包括基本画像特征;所述结合所述用户目标信息及所述用户参考信息,对所述业务用户进行用户分类,得到用户分类结果,包括:
结合所述基本画像特征、所述第一画像特征、所述第二画像特征、所述行为特征、所述第一付费特征以及所述第二付费特征,作为用户特征;
根据所述用户特征,对所述业务用户进行用户分类,得到用户分类结果;所述用户分类结果包括潜力付费用户和非潜力付费用户。
在其中一个实施例中,所述根据所述用户分类结果,向所述业务用户推荐所述目标业务的业务内容,包括:
确定与所述用户分类结果对应的推荐策略;
根据所述推荐策略向所述业务用户,推荐所述目标业务的付费业务内容和免费业务内容。
在其中一个实施例中,所述确定与所述用户分类结果对应的推荐策略,包括:
当所述用户分类结果为潜在付费用户时,确定对应的推荐策略为按照第一比例推荐付费业务内容和免费业务内容;或者,
当所述用户分类结果为非潜在付费用户时,确定对应的推荐策略为按照第二比例推荐付费业务内容和免费业务内容;所述第二比例小于所述第一比例。
在其中一个实施例中,所述结合所述用户目标信息及所述用户参考信息,对所述业务用户进行分类,得到用户分类结果,包括:
结合所述用户目标信息及所述用户参考信息,作为模型输入信息;
将所述模型输入信息输入至用户分类模型进行用户分类,得到用户分类结果;
所述用户分类模型,用于将与所述模型输入信息距离最近的用户类别,确定为所述业务用户的所述用户类别。
在其中一个实施例中,所述用户分类模型的确定过程包括:
确定待分类样本与各所述用户类别的类别距离;
将所述类别距离最近的所述用户类别,确定为所述待分类样本的所述用户类别;
更新各所述用户类别,直至所述用户分类模型中的各所述用户类别达到稳定条件。
在其中一个实施例中,所述确定待分类样本与各所述用户类别的类别距离,包括:
选取用户类别数量的样本,分别确定为各所述用户类别的类别中心;
将待分类样本与各所述类别中心的距离,确定为所述待分类样本与各所述用户类别的类别距离。
在其中一个实施例中,所述更新各所述用户类别,直至所述用户分类模型中的各所述用户类别达到稳定条件,包括:
根据各所述用户类别的样本均值,更新所述用户类别的所述类别中心,直至
连续预设数量的所述待分类样本被分类后,各所述用户类别的所述类别中心保持不变。
一种业务推荐装置,所述装置包括:
基本信息获取模块,用于获取目标业务的业务用户的用户基本信息;
目标信息获取模块,用于获取所述业务用户在所述目标业务中的用户目标信息;
参考信息获取模块,用于根据所述用户基本信息,获取所述业务用户在参考业务中的用户参考信息;
业务用户分类模块,用于结合所述用户目标信息及所述用户参考信息,对所述业务用户进行用户分类,得到用户分类结果;
业务内容推荐模块,用于根据所述用户分类结果,向所述业务用户推荐所述目标业务的业务内容。
在其中一个实施例中,所述目标信息获取模块,用于获取所述业务用户在所述目标业务中的第一画像特征、行为特征以及第一付费特征;
所述参考信息获取模块,用于根据所述用户基本信息,获取所述业务用户在参考业务中的第二画像特征以及第二付费特征。
在其中一个实施例中,还包括:推荐策略确定模块;
所述推荐策略确定模块,用于确定与所述用户分类结果对应的推荐策略;
所述业务内容推荐模块,用于根据所述推荐策略向所述业务用户,推荐所述目标业务的付费业务内容和免费业务内容。
在其中一个实施例中,所述业务用户分类模块,包括:
模式输入确定单元,用于结合所述用户目标信息及所述用户参考信息,作为模型输入信息;
分类模型处理单元,用于将所述模型输入信息输入至用户分类模型进行用户分类,得到用户分类结果;所述用户分类模型,用于将与所述模型输入信息距离最近的用户类别,确定为所述业务用户的所述用户类别。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述的方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述的方法的步骤。
上述的业务推荐方法、装置、计算机设备和计算机存储介质,获取目标业务的业务用户的用户基本信息,获取业务用户在目标业务中的用户目标信息,根据用户基本信息,获取业务用户在参考业务中的用户参考信息。结合用户目标信息及用户参考信息,对业务用户进行用户分类,得到用户分类结果,如此,可在对业务用户进行用户分类时,考虑到目标业务与参考业务在用户信息上的粘连性,使得针对业务用户的分类结果更为准确。从而,根据用户分类结果,向业务用户推荐目标业务的业务内容,可以提高目标业务的业务内容推荐的准确性。
附图说明
图1为一个实施例中业务推荐方法的应用环境图示意图;
图2为一个实施例的业务推荐方法的流程图;
图3为一具体实施例中的业务推荐方法的一个应用场景图;
图4为一具体实施例中的业务推荐方法的一个应用场景图;
图5为一具体实施例中的业务推荐方法的一个用户重合比例情况统计结果图;
图6为一个具体实施例中的业务推荐方法的一个应用场景图;
图7为一个具体实施例中8个用户类别的模型输入信息统计结果;
图8为一个具体实施例中8个用户类别的模型输入信息统计结果;
图9为一个具体实施例中8个用户类别的推荐效果统计结果;
图10为一个实施例中的业务推荐装置的结构框图;
图11为一个实施例中计算机设备的结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
图1为一个实施例中业务推荐方法的应用环境图示意图。用户终端102在参考服务器104上注册有参考业务的账号。通过关联注册的方式,用户终端102在目标服务器106上,将该账号关联到目标业务上,作为业务用户的账号。也即,可以通过参考业务的账号,登录到目标业务。将该账号关联到目标业务上的时间,记为该账号的业务用户在目标业务中的注册时间。
用户终端102与参考服务器104通过网络通信连接。用户终端与目标服务器106通过网络通信连接。参考服务器104和目标服务器106可以为两个独立的服务器,也可以是同一服务器。在参考服务器104和目标服务器106相互独立时,参考服务器104与目标服务器106通过网络通信连接。其中,用户终端102可以是台式设备或者移动终端,如台式电脑、平板电脑、智能手机等。参考服务器104和目标服务器106可以是独立的物理服务器、物理服务器集群或者虚拟服务器。
本申请一个实施例的业务推荐方法可以运行在目标服务器106上。目标服务器106,获取目标业务的业务用户的用户基本信息;获取业务用户在目标业务中的用户目标信息;根据用户基本信息,获取业务用户在参考业务中的用户参考信息;结合用户目标信息及用户参考信息,对业务用户进行用户分类,得到用户分类结果;根据用户分类结果,向业务用户推荐目标业务的业务内容。
如图2所示,在一个实施例中,提供了一种业务推荐方法。该方法可以运行在图1中的目标服务器106。该业务推荐方法,包括以下步骤:
S202,获取目标业务的业务用户的用户基本信息。
目标业务为需要向业务用户推荐不同类型业务内容的业务。业务内容的类型可以包括付费业务内容和免费业务内容。在本实施例中,目标业务参考参照业务向业务用户推荐不同类型的业务内容的业务。
业务用户是指目标业务的用户。在目标服务器中,可以获取到目标业务的业务用户的用户基本信息。用户基本信息是指业务用户的基本信息。如,用户基本信息可以包括年龄信息、性别信息等。进一步地,在目标业务和参考业务中均包括该用户基本信息,如此,可以通过该用户基本信息关联目标业务和参考业务中的业务用户。如,用户基本信息还可以包括账号等唯一标识。唯一标识是指,能够通过该标识区别于其它任意一个用户的标识。更进一步地,用户基本信息,可以是在参考业务中用户信息,通过继承的方式,从参考业务中将用户基本信息继承到目标业务中。
S204,获取业务用户在目标业务中的用户目标信息。
用户目标信息是指在目标业务中的记录的信息。如,在目标业务中的注册时间信息,在目标业务中的登录频率信息等。注册时间信息可以包括注册时间、注册时长等中的至少一项。登录频率信息可以包括在目标业务中的月登陆天数、周登陆天数、月登陆次数、周登陆次数、月登陆时长、周登陆时长中的至少一项。
S206,根据用户基本信息,获取业务用户在参考业务中的用户参考信息。
用户参考信息包括在参考业务中记录的用户信息。需要说明的是,由于用户参考信息是在参考业务中记录的,因此目标业务中无法记录用户参考信息。
用户参考信息可以包括业务用户在参考业务中的信息。如业务用户在参考业务中的活跃频率。具体如,业务用户预设时间在参考业务中的活跃频率。其中,预设时间可以是最近一个月、最近一周、最近三个月、最近半年等。更具体如,业务用户在最近一个月内在参考业务中的月活跃天数,业务用户在最近一个月内在参考业务中的周活跃天数,业务用户在最近一个月内在参考业务中的月活跃时长,业务用户在最近一个月内在参考业务中的周活跃时长。进一步地,用户参考信息还可以基于参考业务与目标业务进行统计,得到的用户信息。如此,可以进一步关联目标业务与参考业务。
在一个较佳实施例中,目标业务可以为QQ动漫、QQ音乐、QQ游戏等基于QQ业务的子业务。参考业务可以为QQ业务。以QQ动漫为例,业务用户的用户基本信息可以是从QQ业务中的用户基本信息继承而来。业务用户的用户基本信息指的就是QQ业务中的用户基本信息,也即用户基本信息是QQ业务中记录的,QQ业务与QQ动漫业务共用的用户信息。如,用户基本信息可以包括用户账号、用户年龄、性别等信息。
QQ动漫业务的用户目标信息可以包括QQ动漫业务记录的注册时长以及QQ动漫平台月登陆天数等。QQ业务的用户参考信息可以包括QQ业务记录的用户分类,用户在QQ空间、看点、C2C消息、群消息、手游、厘米秀、视频、音乐、玩吧、个性化、VIP中心等产品中最近一个月月活跃天数。进一步地,QQ业务的用户参考信息还可以包括基于QQ业务与QQ动漫业务进行信息统计之后,得到用户信息,如用户在这些产品中与QQ动漫业务中重合用户数比例。
S208,结合用户目标信息及用户参考信息,对业务用户进行用户分类,得到用户分类结果。
可以将用户目标信息及用户参考信息结合之后,作为模型的输入,输入到分类模型中,对业务用户进行用户分类,得到用户分类结果。还可以采用预设的映射规则,对结合后的用户目标信息及用户参考信息,进行映射,得到对业务用户分类的用户分类结果。
其中,采用分类模型,对业务用户进行用户分类时,可以采用无监督算法也可以采用有监督算法。其中,采用的无监督算法可以包括K均值算法;采用的有监督算法,可以包括逻辑回归算法。在筛选同样量级用户数量的基础上,K均值算法的效果更好。
目标服务器结合用户目标信息及用户参考信息,对业务用户进行用户分类,得到用户分类结果,可以使得在对业务用户进行用户分类时,考虑到目标业务与参考业务在用户信息上的粘连性,使得针对业务用户的分类结果更为准确。
S210,根据用户分类结果,向业务用户推荐目标业务的业务内容。
用户分类结果可以包括至少两种结果。如针对目标业务付费进行分类,可以分为潜在付费用户以及非潜在付费用户。针对不同的用户分类结果,也即针对不同类型的用户,可以采用不同的推荐策略,向该业务用户进行目标业务的业务内容的推荐。业务内容可以包括付费业务内容和免费业务内容。如,对于漫画业务,其提供给的业务内容可以包括付费漫画和免费漫画。
在针对业务用户的分类结果更为准确的基础上,目标服务器根据用户分类结果,向业务用户推荐目标业务的业务内容。如此,可以提高目标业务的业务内容推荐的准确性。
可以在目标业务的推荐频道下,为业务用户推荐业务内容。在一个具体应用中,如图3所示,可以在用户点击选择了推荐频道的标签之后,在页面展示区域展示推荐的业务内容。
基于本实施例的业务推荐方法,获取目标业务的业务用户的用户基本信息,获取业务用户在目标业务中的用户目标信息,根据用户基本信息,获取业务用户在参考业务中的用户参考信息。结合用户目标信息及用户参考信息,对业务用户进行用户分类,得到用户分类结果,如此,可在对业务用户进行用户分类时,考虑到目标业务与参考业务在用户信息上的粘连性,使得针对业务用户的分类结果更为准确。从而,根据用户分类结果,向业务用户推荐目标业务的业务内容,可以提高目标业务的业务内容推荐的准确性。
在一个具体应用中,如图4所示,可以通过参考业务中的用户目标信息及用户基础信息,如用户基础画像、用户生命周期、用户活跃度及用户付费金额等信息,能反映目标用户的付费能力。然后结合目标业务中的用户目标信息,通过用户分类模型中的分群算法或者分类算法,可以将业务用户分类为不同的用户类别。在一个用户分类模型中,可以包括以下几类用户:如小学生用户,爱看动漫、ACG展览,其中ACG是,Animation、Comic、Game的缩写,动画、漫画、游戏的总称。该类用户在A类业务中的付费可能性较大。又如,中年大叔用户,爱看娱乐直播,喜欢深夜打赏,该类用户在C类业务中的付费可能性较大。再如,大学男生用户,喜欢MOBA(Multiplayer Online Battle Arena,多人在线战术竞技游戏)端游以及动作手游,该类用户在B类业务中的付费可能性较大。最后,如白领用户,喜欢网购,喜欢浪漫都市类小说,该类用户在D类业务中的付费可能性较大。该用户分类模型的作用就是结合用户参考信息、用户目标信息以及用户基本信息,对潜力人群即业务用户进行用户分类。
在其中一实施例中,获取业务用户在目标业务中的用户目标信息,包括:获取业务用户在目标业务中的第一画像特征、行为特征以及第一付费特征。
在该实施例中,根据用户基本信息,获取业务用户在参考业务中的用户参考信息,包括:根据用户基本信息,获取业务用户在参考业务中的第二画像特征以及第二付费特征。
即用户目标信息包括第一画像特征、行为特征以及第一付费特征。用户参考信息包括第二画像特征以及第二付费特征。
第一画像特征为业务用户在目标业务中的画像特征。如,第一画像特征可以包括业务用户在目标业务中的注册时间信息、登录目标业务的登录频率信息。具体如,注册时间信息可以包括注册时间、注册时长等业务用户在目标业务中关于注册时间相关的特征。登录频率信息可以包括在统计周期内的登录天数、次数、时长等特征,具体如月登录天数、月登录次数、月登录时长、周登录时长、周登录次数等特征。
第二画像特征,为业务用户在参考业务中的画像特征。具体如,第二画像特征可以包括业务用户在参考业务中的用户分类、业务用户在参考业务的子业中的活跃信息、业务用户在参考业务的子业务中与目标业务的重合用户比例信息。其中,参考业务的子业务可以包括QQ空间、看点、C2C消息、群消息、手游、厘米秀、视频、音乐、玩吧、个性化、VIP中心等业务。用户分类可以包括新进用户、低活跃用户、高活跃用户、沉默回流用户、流失回流用户等。新进用户可以用来标识注册时长少于预设时长的用户。低活跃用户可以表示活跃频率低于第一预设活跃频率的用户,高活跃用户可以表示活跃频率高于第二预设活跃频率的用户。沉默回流用户是指距离当前时间三到六个月内的不活跃用户流失之后,在当前时间又回流的用户。流失回流用户是指当前时间六个月以上的不活跃用户流失之后,在当前时间又回流的用户。
行为特征为业务用户在目标业务中的在用户行为上的特征。如,业务用户在目标业务中,在预设时间内的行为统计特征。具体如,当目标业务为漫画业务时,第一行为特征可以包括近6个月每月漫画阅读天数,近6个月每月漫画阅读作品数,近6个月阅读作品完成率,近6个月收藏作品数,近6个月动漫播放天数,近6个月每月动画播放作品数。
在一个较佳实施例中,统计特征的预设时间,可以基于业务用户在参考业务的子业务中与目标业务的重合用户比例信息来确定。将重合用户比例较大的时间段,确定为统计特征的预设时间。如在一个具体实施例中,动漫平台每天访问用户重合比例的情况,如图5所示,近6个月访问用户重合比例较高,而更长时间的与用户重合比例提升幅度有限,因此,可以将该预设时间确定为近6个月的时间。
第一付费特征为业务用户在目标业务中,对目标业务中的对业务内容付费情况的信息特征。第一付费特征可以包括预设时间段在目标业务中的付费间隔天数、付费天数、付费金额等。如,当目标业务为动漫业务时,第一付费特征可以包括最近一年动漫最近付费间隔天数、最近一年动漫付费天数、最近一年动漫付费金额中的至少一项。
第二付费特征为业务用户在参考业务中,对参考业务中的产品付费情况的信息特征。第二付费特征可以包括预设时间段内在参考业务中对产品的付费间隔天数、付费天数、付费金额等。如,当参考业务为QQ业务时,第二付费特征可以包括最近一年包月付费业务最近付费间隔天数、最近一年包月付费业务付费天数、最近一年包月付费业务付费金额、最近一年包月黄钻最近付费间隔天数、最近一年包月黄钻付费天数、最近一年包月黄钻付费金额、最近一年包月绿钻最近付费间隔天数、最近一年包月绿钻付费天数,最近一年包月绿钻付费金额、最近一年包月会员最近付费间隔天数、最近一年包月会员付费天数、最近一年包月会员付费金额、最近一年手游最近付费间隔天数、最近一年手游付费天数、最近一年手游付费金额中的至少一项。
需要说明的是,在本实施例中,用户目标信息不仅包括业务用户在目标业务中的画像特征、付费特征,还包括行为特征。在关联用户参考信息与用户目标信息的基础上,进一步关注业务用户的行为特征。这样,可以过滤参考业务中付费特征好,但是在目标业务中,并没有什么行为的业务用户。如,在参考业务的其它子业务中的一些付费人群,在目标业务中的近六个月的阅读天数、阅读作品数、阅读作品完成率都很低,那实质上该业务用户在目标业务中的付费的可能性也并不会很高。因此,基于本实施例的业务推荐方法可以进一步提高针对业务用户的分类结果的准确性,进一步提高目标业务的业务内容推荐的准确性。
在其中一个实施例中,用户基本信息包括基本画像特征。该基本画像特征是业务用户的通用特征,可以包括用户账号、用户年龄、性别等特征。
在本实施例中,结合用户目标信息及用户参考信息,对业务用户进行用户分类,得到用户分类结果,包括:结合基本画像特征、第一画像特征、第二画像特征、行为特征、第一付费特征以及第二付费特征,作为用户特征;根据用户特征,对业务用户进行用户分类,得到用户分类结果;用户分类结果包括潜力付费用户和非潜力付费用户。
潜力付费用户是指在目标业务中,在为其推荐了付费业务内容之后,可能为该付费业务内容付费的概率较高的用户。非潜力付费用户是指在目标业务中,在为其推荐了付费业务内容之后,为该付费业务内容付费的概率较低的用户。其中,较高和较低的判定可以是通过将付费的概率与一个预设值进行比较而确定的。若高于该预设值,则付费的概率较高;若低于该预设则,则付费的概率较低。
在本实施例中,不仅结合了用户参考特征和用户目标特征,还结合了用户基本特征,作为用户特征,如此,将用户基本特征纳入对用户进行分类要考虑的因素,从而,可以进一步提高用户分类的准确性,提高目标业务的业务内容推荐的准确性。还需要说明的是,在本实施例中,用户分类结果包括潜在付费用户和非潜在付费用户。如此,可以针对潜在付费用户和非潜在付费用户进行不同的业务推荐,从而,进一步提高目标业务的业务内容推荐的准确性。
在其中一个是实施例中,根据用户分类结果,向业务用户推荐目标业务的业务内容,包括:确定与用户分类结果对应的推荐策略;根据推荐策略向业务用户,推荐目标业务的付费业务内容和免费业务内容。
在本实施例中,不同的用户推荐结果可以对应不同的推荐策略。推荐策略用于表示在什么时候,推荐什么类型的业务内容。如,可以包括推荐某种类型的业务内容的频率。还可以包括按照什么样的比例推荐各种类型的业务内容。在本实施例中,业务内容的类型包括付费业务内容和免费业务内容。不同的推荐策略推荐付费业务内容和免费业务内容的时间或比例不同。
基于本实施例的业务推荐方法,根据不同的用户分类结果,确定不同的推荐策略,并按照推荐策略,向业务用户推荐付费业务内容和免费业务内容。如此,可以进一步提高目标业务的业务内容推荐的准确性。
进一步地,确定与用户分类结果对应的推荐策略,包括:当用户分类结果为潜在付费用户时,确定对应的推荐策略为按照第一比例推荐付费业务内容和免费业务内容;或者,当用户分类结果为非潜在付费用户时,确定对应的推荐策略为按照第二比例推荐付费业务内容和免费业务内容;其中,第二比例小于第一比例。
在本实施例中,用户分类结果包括潜在付费用户及非潜在付费用户。对于潜在付费用户和非潜在付费用户,在推荐付费业务内容和免费业务内容时,按照不同的比例进行推荐。对于潜在付费用户,付费业务内容与免费业务内容的第一比例,大于非潜在客户的第二比例。如此,可以向潜在付费用户推荐更多的付费业务内容,而向非潜在付费业务推荐更多的免费业务内容,从而可以业务内容推荐的准确性,尤其是分别提高付费业务内容和免费业务内容推荐的准确性。
在其中一个实施例中,结合用户目标信息及用户参考信息,对业务用户进行分类,得到用户分类结果,包括:结合用户目标信息及用户参考信息,作为模型输入信息;将模型输入信息输入至用户分类模型进行用户分类,得到用户分类结果;用户分类模型,用于将与模型输入信息距离最近的用户类别,确定为业务用户的用户类别。
在本实施例中,通过用户分类模型对用户进行分类,得到用户分类结果。该用户分类模型中预存有至少两种用户类别的数据信息。通过将与模型输入信息与各用户类别的数据信息进行距离计算及比较,可以确定与该模型输入信息距离最近的用户类别,从而确定业务用户的用户类别。
在一个具体实施例中,如图6所示,可以通过机器学习的方式,确定用户分类模型。通过对样本中种子用户的在参考业务中的用户目标信息,以及在目标业务中的用户参考信息进行机器学习,确定用户类别中的潜力付费用户。从而,可以使得在对业务用户进行分类时,可以通过该用户分类模型,直接进行用户分类,并确定是否为潜力付费用户。
在其中一个实施例中,用户分类模型的确定过程包括:确定待分类样本与各用户类别的类别距离;将类别距离最近的用户类别,确定为待分类样本的用户类别;更新各用户类别,直至用户分类模型中的各用户类别达到稳定条件。
待分类样本为样本中下一个准备进行用户分类的样本。待分类样本与用户分类模型中各用户类别的类别距离,可以为该待分类样本与各用户类别的数据信息的距离。该距离可以为两个数据的欧式距离。在将类别距离最近的用户类别,确定为待分类样本的用户类别之后,需要将该待分类样本添加至该用户类别,在用户分类模型未达到稳定条件之前,还需要根据该加入的待分类样本,对该待分类样本加入的用户类别进行更新,直至用户分类模型中的各用户类别达到稳定条件。达到稳定条件可以是各用户类别的数据信息达到稳定状态,具体如,可以是各用户类别下的样本平均值达到稳定状态。达到稳定状态,可以是在预设次数加入新的样本之后,样本平均值的变化范围不超过预设幅度或值。
基于本实施例的业务推荐方法,采用的用户分类模型,首先确定待分类样本与各用户类别的类别距离;然后将类别距离最近的用户类别,确定为待分类样本的用户类别;最后,更新各用户类别,直至用户分类模型中的各用户类别达到稳定条件。如此,可以使得该用户分类模型更为准确,从而可以进一步提高针对业务用户的分类结果的准确性,进一步提高目标业务的业务内容推荐的准确性。
进一步地,确定待分类样本与各用户类别的类别距离,包括:选取用户类别数量的样本,分别确定为各用户类别的类别中心;将待分类样本与各类别中心的距离,确定为待分类样本与各用户类别的类别距离。
在本实施例中,用户分类模型中的用户类别的数量是预先设定的预设值,该预设值为用户类别数量。在用户分类模型的确定过程中,确定待分类样本与各用户类别的类别距离时,需要先对该用户类别数量的用户类别进行初始化。在本实施例中,将该用户类别数量的用户类别初始化为样本中,选取到的用户类别数量的样本作为用户类别的类别中心。类别中心用户代表用户类别的数据信息,用户计算与待分类样本的距离。该类别中心可以用户类别中各样本的平均值。在确定待分类样本与各用户类别的类别距离的时候,可以通过计算该待分类样本与各类别中心的距离来确定。在一个具体实施例中,可以将每一个用户类别表示为一个聚类簇,类别中心表示为簇中心。如此,提供一种确定待分类样本与各用户类别的类别距离的实现方式。
基于本实施例的方式,通过待分类样本与各用户类别的类别中心来,确定待分类样本与各用户类别的类别距离。如此,可以方便待分类样本与各用户类别的类别距离的确定。
更进一步地,更新各用户类别,直至用户分类模型中的各用户类别达到稳定条件,包括:根据各用户类别的样本均值,更新用户类别的类别中心,直至连续预设数量的待分类样本被分类后,各用户类别的类别中心保持不变。
在本实施例中,通过更新用户类别的类别中心的方式,更新用户类别。同时,将用户分类模型的各用户类别达到稳定条件限定为,连续预设数量的待分类样本被分类后,各用户类别的类别中心保持不变。各用户类别的类别中心保持不变是指,在连续预设数量的待分类样本被分类后,各用户类别中样本的平均值的变化范围在预设幅度或预设值之内。
在一个具体实施例中,提供一种业务推荐方法,包括:
获取业务用户在目标业务中的第一画像特征、行为特征以及第一付费特征;
获取业务用户在目标业务中的基本画像特征;
根据基本画像特征,获取业务用户在参考业务中的第二画像特征以及第二付费特征;
结合基本画像特征、第一画像特征、第二画像特征、行为特征、第一付费特征以及第二付费特征,作为模型输入信息;
将模型输入信息输入至用户分类模型进行用户分类,得到用户分类结果;用户分类结果包括潜力付费用户和非潜力付费用户;用户分类模型,用于将与模型输入信息距离最近的用户类别,确定为业务用户的用户类别;其中,用户分类模型的确定过程包括:选取用户类别数量的样本,分别确定为各用户类别的类别中心;将待分类样本与各类别中心的距离,确定为待分类样本与各用户类别的类别距离;将类别距离最近的用户类别,确定为待分类样本的用户类别;根据各用户类别的样本均值,更新用户类别的类别中心,直至连续预设数量的待分类样本被分类后,各用户类别的类别中心保持不变;
当用户分类结果为潜在付费用户时,确定对应的推荐策略为按照第一比例推荐付费业务内容和免费业务内容;
当用户分类结果为非潜在付费用户时,确定对应的推荐策略为按照第二比例推荐付费业务内容和免费业务内容;第二比例小于第一比例;
根据推荐策略向业务用户,推荐目标业务的付费业务内容和免费业务内容。
在一个具体应用中,分类模型的用户类别包括8个用户类别,分别用类别1、类别2、类别3、类别4、类别5、类别6、类别7及类别8来表示。对这8个用户类别的模型输入信息进行统计,结果如图7及图8所示。类别3、4、7的特点是在目标业务中的活跃度高,在其他业务付费能力强,因此,可以把这三类用户定义为目标业务的潜在付费人群。
如图9所示,对上述8类用户中每个类别的业务用户采用哈希算法随机抽取20%的业务用户作为实验组,增加付费作品推荐,剩余80%的业务用户作为对照组,保持原样,不增加也不减少付费作品的推荐。观察一周,结果发现:潜在付费用户(类别3、4、7)相比其它类别充值转化率要高。潜在付费用户实验组相比对照组日均充值转化率提升16.4%,而且点击率、用户ARPU(每用户平均收益)维持稳定,说明用户阅读体验没有受到影响。
应该理解的是,虽然图2的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图10所示,提供了一种与上述的业务推荐方法对应的业务推荐装置,包括:
基本信息获取模块1002,用于获取目标业务的业务用户的用户基本信息;
目标信息获取模块1004,用于获取所述业务用户在所述目标业务中的用户目标信息;
参考信息获取模块1006,用于根据所述用户基本信息,获取所述业务用户在参考业务中的用户参考信息;
业务用户分类模块1008,用于结合所述用户目标信息及所述用户参考信息,对所述业务用户进行用户分类,得到用户分类结果;
业务内容推荐模块1010,用于根据所述用户分类结果,向所述业务用户推荐所述目标业务的业务内容。
该实施例的业务推荐装置,获取目标业务的业务用户的用户基本信息,获取业务用户在目标业务中的用户目标信息,根据用户基本信息,获取业务用户在参考业务中的用户参考信息。结合用户目标信息及用户参考信息,对业务用户进行用户分类,得到用户分类结果,如此,可在对业务用户进行用户分类时,考虑到目标业务与参考业务在用户信息上的粘连性,使得针对业务用户的分类结果更为准确。从而,根据用户分类结果,向业务用户推荐目标业务的业务内容,可以提高目标业务的业务内容推荐的准确性。
在其中一个实施例中,所述目标信息获取模块,用于获取所述业务用户在所述目标业务中的第一画像特征、行为特征以及第一付费特征;
所述参考信息获取模块,用于根据所述用户基本信息,获取所述业务用户在参考业务中的第二画像特征以及第二付费特征。
在其中一个实施例中,所述用户基本信息包括基本画像特征;所述业务用户分类模块,包括:
用户特征确定单元,用于结合所述基本画像特征、所述第一画像特征、所述第二画像特征、所述行为特征、所述第一付费特征以及所述第二付费特征,作为用户特征;
业务用户分类单元,用于根据所述用户特征,对所述业务用户进行用户分类,得到用户分类结果;所述用户分类结果包括潜力付费用户和非潜力付费用户。
在其中一个实施例中,还包括:推荐策略确定模块;
所述推荐策略确定模块,用于确定与所述用户分类结果对应的推荐策略;
所述业务内容推荐模块,用于根据所述推荐策略向所述业务用户,推荐所述目标业务的付费业务内容和免费业务内容。
在其中一个实施例中,所述推荐策略确定模块,用于当所述用户分类结果为潜在付费用户时,确定对应的推荐策略为按照第一比例推荐付费业务内容和免费业务内容;或者,当所述用户分类结果为非潜在付费用户时,确定对应的推荐策略为按照第二比例推荐付费业务内容和免费业务内容;所述第二比例小于所述第一比例。
在其中一个实施例中,所述业务用户分类模块,包括:
模式输入确定单元,用于结合所述用户目标信息及所述用户参考信息,作为模型输入信息;
分类模型处理单元,用于将所述模型输入信息输入至用户分类模型进行用户分类,得到用户分类结果;所述用户分类模型,用于将与所述模型输入信息距离最近的用户类别,确定为所述业务用户的所述用户类别。
在其中一个实施例中,还包括分类模型确定模块,所述分类模型确定模块包括:
类别距离确定单元,用于确定待分类样本与各所述用户类别的类别距离;
用户类别确定单元,用于将所述类别距离最近的所述用户类别,确定为所述待分类样本的所述用户类别;
用户类别更新单元,用于更新各所述用户类别,直至所述用户分类模型中的各所述用户类别达到稳定条件。
在其中一个实施例中,所述类别距离确定单元,用于选取用户类别数量的样本,分别确定为各所述用户类别的类别中心;将待分类样本与各所述类别中心的距离,确定为所述待分类样本与各所述用户类别的类别距离。
在其中一个实施例中,所述用户类别更新单元,用于根据各所述用户类别的样本均值,更新所述用户类别的所述类别中心,直至连续预设数量的所述待分类样本被分类后,各所述用户类别的所述类别中心保持不变。
如图11所示,在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的计算机设备通过网络连接通信。该计算机程序被处理器执行时以实现一种业务推荐方法。
本领域技术人员可以理解,图11中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施方式中,提供了一种计算机设备。该计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述业务推荐方法的步骤。
本申请提供一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
获取目标业务的业务用户的用户基本信息;
获取所述业务用户在所述目标业务中的用户目标信息;
根据所述用户基本信息,获取所述业务用户在参考业务中的用户参考信息;
结合所述用户目标信息及所述用户参考信息,对所述业务用户进行用户分类,得到用户分类结果;
根据所述用户分类结果,向所述业务用户推荐所述目标业务的业务内容。
在其中一个实施例中,所述获取所述业务用户在所述目标业务中的用户目标信息,包括:获取所述业务用户在所述目标业务中的第一画像特征、行为特征以及第一付费特征;
所述根据所述用户基本信息,获取所述业务用户在参考业务中的用户参考信息,包括:根据所述用户基本信息,获取所述业务用户在参考业务中的第二画像特征以及第二付费特征。
在其中一个实施例中,所述用户基本信息包括基本画像特征;所述结合所述用户目标信息及所述用户参考信息,对所述业务用户进行用户分类,得到用户分类结果,包括:
结合所述基本画像特征、所述第一画像特征、所述第二画像特征、所述行为特征、所述第一付费特征以及所述第二付费特征,作为用户特征;
根据所述用户特征,对所述业务用户进行用户分类,得到用户分类结果;所述用户分类结果包括潜力付费用户和非潜力付费用户。
在其中一个实施例中,所述根据所述用户分类结果,向所述业务用户推荐所述目标业务的业务内容,包括:
确定与所述用户分类结果对应的推荐策略;
根据所述推荐策略向所述业务用户,推荐所述目标业务的付费业务内容和免费业务内容。
在其中一个实施例中,所述确定与所述用户分类结果对应的推荐策略,包括:
当所述用户分类结果为潜在付费用户时,确定对应的推荐策略为按照第一比例推荐付费业务内容和免费业务内容;或者,
当所述用户分类结果为非潜在付费用户时,确定对应的推荐策略为按照第二比例推荐付费业务内容和免费业务内容;所述第二比例小于所述第一比例。
在其中一个实施例中,所述结合所述用户目标信息及所述用户参考信息,对所述业务用户进行分类,得到用户分类结果,包括:
结合所述用户目标信息及所述用户参考信息,作为模型输入信息;
将所述模型输入信息输入至用户分类模型进行用户分类,得到用户分类结果;
所述用户分类模型,用于将与所述模型输入信息距离最近的用户类别,确定为所述业务用户的所述用户类别。
在其中一个实施例中,所述用户分类模型的确定过程包括:
确定待分类样本与各所述用户类别的类别距离;
将所述类别距离最近的所述用户类别,确定为所述待分类样本的所述用户类别;
更新各所述用户类别,直至所述用户分类模型中的各所述用户类别达到稳定条件。
在其中一个实施例中,所述确定待分类样本与各所述用户类别的类别距离,包括:
选取用户类别数量的样本,分别确定为各所述用户类别的类别中心;
将待分类样本与各所述类别中心的距离,确定为所述待分类样本与各所述用户类别的类别距离。
在其中一个实施例中,所述更新各所述用户类别,直至所述用户分类模型中的各所述用户类别达到稳定条件,包括:
根据各所述用户类别的样本均值,更新所述用户类别的所述类别中心,直至
连续预设数量的所述待分类样本被分类后,各所述用户类别的所述类别中心保持不变。
在一个实施方式中,提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下的步骤:
获取目标业务的业务用户的用户基本信息;
获取所述业务用户在所述目标业务中的用户目标信息;
根据所述用户基本信息,获取所述业务用户在参考业务中的用户参考信息;
结合所述用户目标信息及所述用户参考信息,对所述业务用户进行用户分类,得到用户分类结果;
根据所述用户分类结果,向所述业务用户推荐所述目标业务的业务内容。
在其中一个实施例中,所述获取所述业务用户在所述目标业务中的用户目标信息,包括:获取所述业务用户在所述目标业务中的第一画像特征、行为特征以及第一付费特征;
所述根据所述用户基本信息,获取所述业务用户在参考业务中的用户参考信息,包括:根据所述用户基本信息,获取所述业务用户在参考业务中的第二画像特征以及第二付费特征。
在其中一个实施例中,所述用户基本信息包括基本画像特征;所述结合所述用户目标信息及所述用户参考信息,对所述业务用户进行用户分类,得到用户分类结果,包括:
结合所述基本画像特征、所述第一画像特征、所述第二画像特征、所述行为特征、所述第一付费特征以及所述第二付费特征,作为用户特征;
根据所述用户特征,对所述业务用户进行用户分类,得到用户分类结果;所述用户分类结果包括潜力付费用户和非潜力付费用户。
在其中一个实施例中,所述根据所述用户分类结果,向所述业务用户推荐所述目标业务的业务内容,包括:
确定与所述用户分类结果对应的推荐策略;
根据所述推荐策略向所述业务用户,推荐所述目标业务的付费业务内容和免费业务内容。
在其中一个实施例中,所述确定与所述用户分类结果对应的推荐策略,包括:
当所述用户分类结果为潜在付费用户时,确定对应的推荐策略为按照第一比例推荐付费业务内容和免费业务内容;或者,
当所述用户分类结果为非潜在付费用户时,确定对应的推荐策略为按照第二比例推荐付费业务内容和免费业务内容;所述第二比例小于所述第一比例。
在其中一个实施例中,所述结合所述用户目标信息及所述用户参考信息,对所述业务用户进行分类,得到用户分类结果,包括:
结合所述用户目标信息及所述用户参考信息,作为模型输入信息;
将所述模型输入信息输入至用户分类模型进行用户分类,得到用户分类结果;
所述用户分类模型,用于将与所述模型输入信息距离最近的用户类别,确定为所述业务用户的所述用户类别。
在其中一个实施例中,所述用户分类模型的确定过程包括:
确定待分类样本与各所述用户类别的类别距离;
将所述类别距离最近的所述用户类别,确定为所述待分类样本的所述用户类别;
更新各所述用户类别,直至所述用户分类模型中的各所述用户类别达到稳定条件。
在其中一个实施例中,所述确定待分类样本与各所述用户类别的类别距离,包括:
选取用户类别数量的样本,分别确定为各所述用户类别的类别中心;
将待分类样本与各所述类别中心的距离,确定为所述待分类样本与各所述用户类别的类别距离。
在其中一个实施例中,所述更新各所述用户类别,直至所述用户分类模型中的各所述用户类别达到稳定条件,包括:
根据各所述用户类别的样本均值,更新所述用户类别的所述类别中心,直至
连续预设数量的所述待分类样本被分类后,各所述用户类别的所述类别中心保持不变。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术信息可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术信息所有可能的组合都进行描述,然而,只要这些技术信息的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (18)
1.一种业务推荐方法,所述方法包括:
获取目标业务的业务用户的用户基本信息;所述目标业务为需要向业务用户推荐不同类型业务内容的业务,所述用户基本信息是指所述业务用户的基本信息;
获取所述业务用户在所述目标业务中的用户目标信息;所述用户目标信息是指在所述目标业务中的记录的信息;
根据所述用户基本信息,获取所述业务用户在参考业务中的用户参考信息;所述目标业务和所述参考业务中均包括所述用户基本信息,所述用户参考信息包括在所述参考业务中记录的用户信息;
结合所述用户目标信息及所述用户参考信息,对所述业务用户进行用户分类,得到用户分类结果;
根据所述用户分类结果,向所述业务用户推荐所述目标业务的业务内容;
其中,所述获取所述业务用户在所述目标业务中的用户目标信息,包括:获取所述业务用户在所述目标业务中的第一画像特征、行为特征以及第一付费特征;所述第一画像特征为所述业务用户在所述目标业务中的画像特征,所述行为特征为所述业务用户在所述目标业务中的在用户行为上的特征,所述第一付费特征为所述业务用户在所述目标业务中,对所述目标业务中的对业务内容付费情况的信息特征;
所述根据所述用户基本信息,获取所述业务用户在参考业务中的用户参考信息,包括:根据所述用户基本信息,获取所述业务用户在参考业务中的第二画像特征以及第二付费特征;所述第二画像特征,为所述业务用户在所述参考业务中的画像特征,所述第二付费特征为所述业务用户在所述参考业务中,对所述参考业务中的产品付费情况的信息特征。
2.根据权利要求1所述的方法,其特征在于,所述用户基本信息包括基本画像特征;所述结合所述用户目标信息及所述用户参考信息,对所述业务用户进行用户分类,得到用户分类结果,包括:
结合所述基本画像特征、所述第一画像特征、所述第二画像特征、所述行为特征、所述第一付费特征以及所述第二付费特征,作为用户特征;
根据所述用户特征,对所述业务用户进行用户分类,得到用户分类结果;所述用户分类结果包括潜力付费用户和非潜力付费用户。
3.根据权利要求1所述的方法,其特征在于,所述根据所述用户分类结果,向所述业务用户推荐所述目标业务的业务内容,包括:
确定与所述用户分类结果对应的推荐策略;
根据所述推荐策略向所述业务用户,推荐所述目标业务的付费业务内容和免费业务内容。
4.根据权利要求3所述的方法,其特征在于,所述确定与所述用户分类结果对应的推荐策略,包括:
当所述用户分类结果为潜在付费用户时,确定对应的推荐策略为按照第一比例推荐付费业务内容和免费业务内容;或者,
当所述用户分类结果为非潜在付费用户时,确定对应的推荐策略为按照第二比例推荐付费业务内容和免费业务内容;所述第二比例小于所述第一比例。
5.根据权利要求1所述的方法,其特征在于,所述结合所述用户目标信息及所述用户参考信息,对所述业务用户进行分类,得到用户分类结果,包括:
结合所述用户目标信息及所述用户参考信息,作为模型输入信息;
将所述模型输入信息输入至用户分类模型进行用户分类,得到用户分类结果;
所述用户分类模型,用于将与所述模型输入信息距离最近的用户类别,确定为所述业务用户的所述用户类别。
6.根据权利要求5所述的方法,其特征在于,所述用户分类模型的确定过程包括:
确定待分类样本与各所述用户类别的类别距离;
将所述类别距离最近的所述用户类别,确定为所述待分类样本的所述用户类别;
更新各所述用户类别,直至所述用户分类模型中的各所述用户类别达到稳定条件。
7.根据权利要求6所述的方法,其特征在于,所述确定待分类样本与各所述用户类别的类别距离,包括:
选取用户类别数量的样本,分别确定为各所述用户类别的类别中心;
将待分类样本与各所述类别中心的距离,确定为所述待分类样本与各所述用户类别的类别距离。
8.根据权利要求7所述的方法,其特征在于,所述更新各所述用户类别,直至所述用户分类模型中的各所述用户类别达到稳定条件,包括:
根据各所述用户类别的样本均值,更新所述用户类别的所述类别中心,直至
连续预设数量的所述待分类样本被分类后,各所述用户类别的所述类别中心保持不变。
9.一种业务推荐装置,所述装置包括:
基本信息获取模块,用于获取目标业务的业务用户的用户基本信息;所述目标业务为需要向业务用户推荐不同类型业务内容的业务,所述用户基本信息是指所述业务用户的基本信息;
目标信息获取模块,用于获取所述业务用户在所述目标业务中的用户目标信息;所述用户目标信息是指在所述目标业务中的记录的信息;
参考信息获取模块,用于根据所述用户基本信息,获取所述业务用户在参考业务中的用户参考信息;所述目标业务和所述参考业务中均包括所述用户基本信息,所述用户参考信息包括在所述参考业务中记录的用户信息;
业务用户分类模块,用于结合所述用户目标信息及所述用户参考信息,对所述业务用户进行用户分类,得到用户分类结果;
业务内容推荐模块,用于根据所述用户分类结果,向所述业务用户推荐所述目标业务的业务内容;
其中,所述目标信息获取模块,具体用于获取所述业务用户在所述目标业务中的第一画像特征、行为特征以及第一付费特征;所述第一画像特征为所述业务用户在所述目标业务中的画像特征,所述行为特征为所述业务用户在所述目标业务中的在用户行为上的特征,所述第一付费特征为所述业务用户在所述目标业务中,对所述目标业务中的对业务内容付费情况的信息特征;
所述参考信息获取模块,具体用于根据所述用户基本信息,获取所述业务用户在参考业务中的第二画像特征以及第二付费特征;所述第二画像特征,为所述业务用户在所述参考业务中的画像特征,所述第二付费特征为所述业务用户在所述参考业务中,对所述参考业务中的产品付费情况的信息特征。
10.根据权利要求9所述的装置,其特征在于,所述用户基本信息包括基本画像特征;所述业务用户分类模块,包括:
用户特征确定单元,用于结合所述基本画像特征、所述第一画像特征、所述第二画像特征、所述行为特征、所述第一付费特征以及所述第二付费特征,作为用户特征;
业务用户分类单元,用于根据所述用户特征,对所述业务用户进行用户分类,得到用户分类结果;所述用户分类结果包括潜力付费用户和非潜力付费用户。
11.根据权利要求9所述的装置,其特征在于,还包括:推荐策略确定模块;
所述推荐策略确定模块,用于确定与所述用户分类结果对应的推荐策略;
所述业务内容推荐模块,用于根据所述推荐策略向所述业务用户,推荐所述目标业务的付费业务内容和免费业务内容。
12.根据权利要求11所述的装置,其特征在于,所述推荐策略确定模块,具体用于当所述用户分类结果为潜在付费用户时,确定对应的推荐策略为按照第一比例推荐付费业务内容和免费业务内容;或者,当所述用户分类结果为非潜在付费用户时,确定对应的推荐策略为按照第二比例推荐付费业务内容和免费业务内容;所述第二比例小于所述第一比例。
13.根据权利要求9所述的装置,其特征在于,所述业务用户分类模块,包括:
模式输入确定单元,用于结合所述用户目标信息及所述用户参考信息,作为模型输入信息;
分类模型处理单元,用于将所述模型输入信息输入至用户分类模型进行用户分类,得到用户分类结果;
所述用户分类模型,用于将与所述模型输入信息距离最近的用户类别,确定为所述业务用户的所述用户类别。
14.根据权利要求13所述的装置,其特征在于,所述装置还包括分类模型确定模块,所述分类模型确定模块包括:
类别距离确定单元,用于确定待分类样本与各所述用户类别的类别距离;
用户类别确定单元,用于将所述类别距离最近的所述用户类别,确定为所述待分类样本的所述用户类别;
用户类别更新单元,用于更新各所述用户类别,直至所述用户分类模型中的各所述用户类别达到稳定条件。
15.根据权利要求14所述的装置,其特征在于,所述类别距离确定单元,具体用于选取用户类别数量的样本,分别确定为各所述用户类别的类别中心;将待分类样本与各所述类别中心的距离,确定为所述待分类样本与各所述用户类别的类别距离。
16.根据权利要求15所述的装置,其特征在于,所述用户类别更新单元,具体用于根据各所述用户类别的样本均值,更新所述用户类别的所述类别中心,直至连续预设数量的所述待分类样本被分类后,各所述用户类别的所述类别中心保持不变。
17.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现权利要求1-8任意一项所述的方法的步骤。
18.一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现权利要求1-8任意一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910661428.3A CN110362751B (zh) | 2019-07-22 | 2019-07-22 | 业务推荐方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910661428.3A CN110362751B (zh) | 2019-07-22 | 2019-07-22 | 业务推荐方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110362751A CN110362751A (zh) | 2019-10-22 |
CN110362751B true CN110362751B (zh) | 2023-12-12 |
Family
ID=68220668
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910661428.3A Active CN110362751B (zh) | 2019-07-22 | 2019-07-22 | 业务推荐方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110362751B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111241394B (zh) * | 2020-01-07 | 2023-09-22 | 腾讯科技(深圳)有限公司 | 数据处理方法、装置、计算机可读存储介质及电子设备 |
CN112445689B (zh) * | 2020-11-27 | 2023-01-24 | 广州三七互娱科技有限公司 | 用户分类方法、装置及电子设备 |
CN113191812B (zh) * | 2021-05-12 | 2024-02-02 | 深圳索信达数据技术有限公司 | 业务推荐方法、计算机设备及计算机可读存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130339261A1 (en) * | 2012-06-15 | 2013-12-19 | Fujitsu Limited | Computer product, information providing method, and information providing apparatus |
CN108052639A (zh) * | 2017-12-21 | 2018-05-18 | 中国联合网络通信集团有限公司 | 基于运营商数据的行业用户推荐方法及装置 |
CN108304429A (zh) * | 2017-05-16 | 2018-07-20 | 腾讯科技(深圳)有限公司 | 信息推荐方法、装置和计算机设备 |
-
2019
- 2019-07-22 CN CN201910661428.3A patent/CN110362751B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130339261A1 (en) * | 2012-06-15 | 2013-12-19 | Fujitsu Limited | Computer product, information providing method, and information providing apparatus |
CN108304429A (zh) * | 2017-05-16 | 2018-07-20 | 腾讯科技(深圳)有限公司 | 信息推荐方法、装置和计算机设备 |
CN108052639A (zh) * | 2017-12-21 | 2018-05-18 | 中国联合网络通信集团有限公司 | 基于运营商数据的行业用户推荐方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110362751A (zh) | 2019-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10943267B2 (en) | Machine learning assisted target segment audience generation | |
US11556877B2 (en) | Generation of engagement and support recommendations for content creators | |
CN110362751B (zh) | 业务推荐方法、装置、计算机设备和存储介质 | |
US20160267549A1 (en) | Inferring target clusters based on social connections | |
CN108242016B (zh) | 一种产品推荐的方法和装置 | |
US8799814B1 (en) | Automated targeting of content components | |
US20090216620A1 (en) | Method and system for providing targeting advertisement service in social network | |
CN110223186B (zh) | 用户相似度确定方法以及信息推荐方法 | |
CN107808295B (zh) | 多媒体数据投放方法及装置 | |
CN109688479B (zh) | 一种弹幕显示方法、弹幕显示装置和弹幕显示服务器 | |
CA2955707C (en) | Digital consumer data model and customer analytic record | |
CN109639786B (zh) | 多媒体资源的分发方法、装置、服务器及存储介质 | |
KR20100114860A (ko) | 터치포인트 커스터마이제이션 시스템 | |
CN106202393B (zh) | 媒体信息推送方法及装置 | |
CN108900924A (zh) | 直播间中推荐好友的方法和装置 | |
US20180307733A1 (en) | User characteristic extraction method and apparatus, and storage medium | |
CN111522724B (zh) | 异常账号的确定方法、装置、服务器及存储介质 | |
CN108777701A (zh) | 一种确定信息受众的方法及装置 | |
CN113127723B (zh) | 用户画像处理方法、装置、服务器及存储介质 | |
CN104967690A (zh) | 一种信息推送方法及装置 | |
CN111681042A (zh) | 广告推荐方法、服务器及终端设备 | |
CN111582899B (zh) | 一种展示链接效果的量化方法、装置、系统及存储介质 | |
Nam et al. | The effects of service quality and word of mouth on customer acquisition, retention and usage | |
US20210312331A1 (en) | Dynamic video content optimization | |
US20170186009A1 (en) | Systems and methods to identify illegitimate online accounts |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |